Details

Данная работа посвящена разработке алгоритмического модуля многокритериальной оптимизации режимов работы технологической линии на основе байесовского подхода. Целью работы являлась разработка, алгоритмическое обоснование и программная реализация интеллектуального модуля оптимизации, использующего данные из MES/SCADA-систем для максимизации общей эффективности оборудования (OEE). В ходе работы решались следующие задачи: 1. Анализ предметной области: исследование показателя OEE и факторов, влияющих на его компоненты (доступность, производительность, качество); 2. Предобработка SCADA-данных: очистка, агрегация, обнаружение выбросов, корреляционный анализ; 3. Построение суррогатной модели зависимости OEE от управляемых параметров; 4. Реализация однокритериальной байесовской оптимизации с использованием библиотек Optuna, BoTorch и GPyOpt; 5. Реализация многокритериальной оптимизации с построением Парето-фронта по критериям OEE и время цикла; 6. Проведение экспериментального исследования для сравнения методов и оценки полученного прироста. Разработанный программный модуль успешно прошёл экспериментальную проверку на SCADA-данных, продемонстрировал устойчивость к начальным точкам и обеспечил значительный прирост OEE. Работа представляет практическую ценность как инструмент для повышения эффективности производственных линий без капитальных затрат на новое оборудование. Для достижения данных результатов в работе были использованы/ разработаны следующие информационные технологии, в том числе программное обеспечение, средства обмена данными и визуализации: язык программирования Python, библиотеки pandas, numpy, scikit-learn для обработки данных, библиотеки optuna, botorch, gpytorch, GPyOpt для байесовской оптимизации, средства визуализации matplotlib и seaborn.

This work is devoted to the development of an algorithmic module for multi-objective optimization of technological line operating parameters based on a Bayesian approach. The aim of the work was to develop, algorithmically substantiate and implement a software module for intelligent optimization using data from MES/SCADA systems to maximize Overall Equipment Effectiveness (OEE). The following tasks were solved in the course of the work: 1. Analysis of the subject area: study of the OEE indicator and factors affecting its components (availability, performance, quality); 2. Preprocessing of SCADA data: cleaning, aggregation, outlier detection, correlation analysis; 3. Construction of a surrogate model of the OEE dependence on controllable parameters; 4. Implementation of single-objective Bayesian optimization using Optuna, BoTorch and GPyOpt libraries; 5. Implementation of multi-objective optimization with construction of the Pareto front for OEE and cycle time criteria; 6. Conducting an experimental study to compare methods and evaluate the achieved improvement. The developed software module was successfully tested on historical SCADA data, demonstrated robustness to initial points and provided a significant increase in OEE. The work has practical value as a tool for improving the efficiency of production lines without capital expenditure on new equipment. To achieve these results, the following information technologies were used/developed, including software, data exchange and visualization tools: Python programming language, pandas, numpy, scikit-learn libraries for data processing, optuna, botorch, gpytorch, GPyOpt libraries for Bayesian optimization, matplotlib and seaborn visualization tools.

• ВВЕДЕНИЕ
• 1 Теоретические основы
  • 1.1 Общая эффективность оборудования (OEE): комплексный показатель производственной эффективности
    • 1.1.1 Сущность и история развития OEE
    • 1.1.2 Детальный анализ компонентов OEE
    • 1.1.3 Влияние технологических параметров на OEE
  • 1.2 Методы оптимизации технологических процессов
    • 1.2.1 Сравнение алгоритмов оптимизации
    • 1.2.2 Байесовская оптимизация
  • 1.3 Перспективы интеграции в MES: интерфейсы, задержки, безопасность
  • 1.4 Анализ данных и моделирование производственных процессов
    • 1.4.1 Методологии предобработки промышленных данных
    • 1.4.2 Суррогатное моделирование технологических линий
• 2 Данные, модель и байесовская оптимизация
  • 2.1 SCADA-данные: параметры, простои, брак
  • 2.2 Предобработка данных: очистка, агрегация, корреляции
  • 2.3 Имитационная модель технологической линии
  • 2.4 Формализация задачи оптимизации
  • 2.5 Обоснование применения байесовской оптимизации
  • 2.6 Формализация задачи оптимизации
  • 2.7 Библиотеки и инструменты для реализации байесовской оптимизации
    • 2.7.1 Обзор доступных библиотек и их сравнительный анализ
  • 2.8 Многокритериальная оптимизация: компромиссы и Парето-фронт
    • 2.8.1 Формализация многокритериальной задачи оптимизации OEE
    • 2.8.2 Методы многокритериальной байесовской оптимизации
    • 2.8.3 Построение и оценка Парето-фронта
  • 2.9 Результаты оптимизации
  • 2.10 Вывод
• 3 Экспериментальное исследование байесовской оптимизации
  • 3.1 Цель и задачи экспериментального исследования
  • 3.2 Экспериментальная установка
    • 3.2.1 Исходные данные
    • 3.2.2 Параметры оптимизации
    • 3.2.3 Суррогатная модель
    • 3.2.4 Параметры экспериментов
  • 3.3 Определение базового уровня OEE
  • 3.4 Результаты однокритериальной оптимизации
    • 3.4.1 Сравнение методов
    • 3.4.2 Прирост OEE относительно базового уровня
    • 3.4.3 Оптимальные параметры
    • 3.4.4 Анализ сходимости
  • 3.5 Анализ устойчивости к начальным точкам
  • 3.6 Зависимость качества оптимизации от количества итераций
  • 3.7 Многокритериальная оптимизация
    • 3.7.1 Постановка двухкритериальной задачи
    • 3.7.2 Парето-фронт
  • 3.8 Сравнение с альтернативными методами
  • 3.9 Сводная таблица результатов
  • 3.9 Детальный статистический анализ базового распределения OEE
  • 3.10 Развёрнутый анализ компонентов OEE в оптимальной точке
  • 3.11 Интерпретация оптимальных значений управляемых параметров
  • 3.12 Анализ сходимости: количественная оценка скорости улучшения
  • 3.13 Проверка воспроизводимости результатов оптимизации
  • 3.14 Подробное сравнение однокритериальной и многокритериальной оптимизации
  • 3.15 Выводы
  • 3.16 Вопросы интеграции и развёртывания модуля на предприятии и в системах MES/SCADA в дальнейшем
    • 3.16.1 Логическая схема интеграции модуля в производственную среду
    • 3.16.2 Учёт требований к задержкам и синхронизации
    • 3.16.3 Детализация вопросов безопасности при интеграции
    • 3.16.4 Как именно модуль будет обмениваться данными с MES/SCADA
    • 3.16.5 Вопросы развёртывания модуля на предприятии
    • 3.16.6 Расширенное обсуждение практической интеграции разработанного модуля
  • 3.17 Выходные файлы и полный код
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИE 1. Листинги ОСНОВНЫХ БЛОКОВ ПРОГРАММ